澎湃新闻网站全站新闻爬虫及各大新闻平台聚合爬虫发布

idea of startproject

1. 对于 web 开发者而言，目前各大新闻门户网站，新浪新闻，百度新闻，腾讯新闻，澎湃新闻，头条新闻并没有提供稳定可用的 feed api。
2. 对于 nlper，缺乏足够的新闻语料数据集来供训练。
3. 对于新闻传播/社会学/心理学等从业者，缺乏获取新闻数据的简单易用途径来供分析。
4. 如果上面三点是某见识所限，其实并不存在的话，第 4 点，则是某的私心，某以为互联网的记忆太短了，热搜一浪盖过一浪，所以试图定格互联网新闻的某些瞬间，最后会以网站的形式发布出来。

这个 project 我几年前就有想法了，仓库两年前就推送到了 Github，只不过只有一个 readme 文件，昨晚跨年，清理 Github，这个想法就又强烈了起来，说干就干。

project 的 Github：https://github.com/Python3Spiders/AllNewsSpider

其实最开始并没有将澎拜新闻包括在内，某最近才开始重点关注澎湃新闻，相对于其它新闻的娱乐性，澎湃新闻的严肃活泼笔风，深得我意。

澎湃新闻爬虫

先说下这个爬虫的实用之处，罗列如下

1. 全自动爬取澎湃新闻全站新闻内容，包括时事、财经、思想、生活四大 channel 。
2. 速度较快，容错高，对各种异常做了对应处理，目前开源的 pyd 测试抓取 w 级数据正常（如果碰到新异常，请提 issue)。
3. 字段齐全，包括 recode_time(该条新闻被抓取的时间)、news_url 以及其他各个新闻的必要字段，共计 12 个。

再说说如何使用（默认读者均有 python3.6+ 环境）

1. 将仓库 pengpai 文件夹下的 pengpai_news_spider.pyd 文件下载到本地，新建项目，把 pyd 文件放进去

2. 项目根目录下新建 runner.py，写入以下代码即可运行并抓取

   import pengpai_news_spider
   pengpai_news_spider.main()
   

爬取过程中是下面这样的

图中 https://www.thepaper.cn/newsDetail_forward_10623559 可能是 h5 或者 公众号文章或者 视频之类的说明该条新闻不在我们的目标爬取范围内，不会被保存起来。

爬取结束了，会在当前目录下生成一个 澎湃新闻.xlsx文件，里面保持了四个 channel 的所有网站上可浏览的文本新闻，一个 channel 对应一个 sheet_name，如下图

Todo

实现增量更新，初步思路是使用布隆过滤器去 news_url 的重。

最后，新年第一天，元旦快乐！